Veröffentlicht am

Welche betrieblichen Probleme können durch ein modernes Wissensmanagement gelöst werden?

Nicht alles, was in Organisationen so passiert, wird vom Management beachtet. Doch gibt es immer wiederkehrende betriebliche Probleme, die dann doch vom Management stärker betrachtet. Oft kommen entsprechende Impulse/Hinweise aus den betriebswirtschaftlichen Kennzahlen, den KPIs. Die folgenden Punkte stellen dabei keine Rangfolge dar:

– Project teams exhibit slow progress due to insufficient collaboration among individuals or business units
– Frequent reinvention of solutions due to inefficient information retrieval or lack of oversight
– High rate of specialist retirements
– Prolonged onboarding time for new employees
– Need for upskilling through cross-domain knowledge or information transfer
– Lack of comprehensive oversight for effective action Increasing complexity in process coordination due to insufficient communication between administrative units
– Customers struggle to find answers independently, leading to excessive reliance on human support
– Inefficient information retrieval
– High turnover of knowledge workers
Source: Kraus & Bornemann (2024)

Die Autoren argumentieren in ihrem Paper (Konferenzbeitrag), dass ein modernes Wissensmanagement dazu beitragen kann, die Aufmerksamkeit des Managements (C-Level) zu gewinnen, und dazu beiträgt, die genannten Probleme zu lösen / zu verbessern.

Siehe dazu Ein neuer Wissensbegriff und meine vielen Blogbeiträge zum Thema.

Veröffentlicht am

Perspektiven auf Innovation: Von “eng” zu “erweitert” bis gesellschaftlich “zielgerichtet”

AI (Artificial intelligence) AI management and support technology in the Business plan marketing success customer. AI management concept.

Der Blick auf Innovation ist immer noch sehr eng (narrow) und geprägt von dem Ansatz Schumpeters aus dem Jahr 1934. Dabei geht es bei Innovationen darum, vorwiegend technische Ideen zu kommerzialisieren, also für den Markt nutzbar zu machen. Die Gesellschaft war und ist dabei Empfänger der neuen Produkte und Dienstleistungen.

Eine etwas breitere (broader) Sicht auf Innovation erweitert den ursprünglichen Ansatz, indem nicht rein technologische, sondern auch Konzepte (Business Model Innovation), soziale Innovationen usw. hinzukommen.

In der Zwischenzeit geht man bei der Betrachtung von Innovation noch einen Schritt weiter und stellt den gesellschaftlichen Zweck (purposive) in den Mittelpunkt. Im Zusammenspiel zwischen Wissenschaft, Technologie und Innovationen soll es dadurch zu gesellschaftlichen Transformationen kommen.

“Within narrow understandings of innovation, in which innovation is defined as the commercialisation of research, emphasis is placed on the roles of science, academia, industry, and national governments in supporting scientific and technical knowledge. Society is frequently viewed as passively adopting innovations introduced by science and large corporations (Joly, 2019). Conversely, according to broad-based understandings, innovation encompasses the entire process of conceiving and actualising a novel concept or idea; it is not limited to technological advancements (Godin & Lane 2013). (…) Moreover, according to purposive understandings, innovation should be transformative in nature and result in sustainable change” (Nordling, N. 2024).

Es geht heute also darum, mit Innovationen Probleme in der Gesellschaft, zum Wohle (eigene Bemerkung) der Menschen und seiner Umwelt zu lösen. Siehe dazu auch Worin unterscheiden sich Industry 5.0 und Society 5.0?

Wir sollten dazu kommen, Technologie – heute ist es die Künstliche Intelligenz – für die Gesellschaft einzusetzen, und nicht vorwiegend zum wirtschaftlichen Vorteil von einigen wenigen Tech-Konzernen, die die sozialen Folgen den Gesellschaften überlassen.

Dabei kommt es zu einer Friktion bei den beiden Geschwindigkeiten: Technik (KI) verändert sich in Sekunden, Gesellschaften – und mit ihnen das gesamte gesellschaftliche System – eher langsam. Wenn wir die Menschen mitnehmen wollen, sollte der Staat – und hier meine ich eher die Europäische Union – den Rahmen setzen, denn die Tech-Giganten werden sich nicht zurückhalten. Siehe dazu auch Open Source AI: Besser für einzelne Personen, Organisationen und demokratische Gesellschaften

Veröffentlicht am

Künstliche Intelligenz und Kompetenz

Wenn ein neues Thema aufkommt, geht es dabei oft auch darum, entsprechende Kompetenzen zu entwickeln. Als beispielsweise immer klarer wurde, dass die Digitalisierung alle Bereiche unseres Lebens beeinflussen wird, wurde schnell von Digitalen Kompetenzen gesprochen und geschrieben, die alle und jeder entwickeln sollte/müsste. In dem Beitrag “Digitale Kompetenzen” oder besser “Kompetenzen in digitalen Kontexten”? habe ich erläutert, warum es in diesem Fall besser ist, von Kompetenzen in digitalen Kontexten zu sprechen. Solche Bindestrich-Kompetenzen gibt es in sehr vielen Facetten – nun auch bei dem Thema Künstliche Intelligenz.

Auch hier wird schnell von KI-Kompetenzen gesprochen, ohne zu reflektieren, dass es grundsätzlich Kompetenzen sind, die im Kontext der Künstlichen Intelligenz entwickelt (nicht vermittelt!) werden sollen. In diesem Zusammenhang verweise ich gerne darauf, Kompetenzen als Selbstorganisationsdispositionen zu sehen. Diese Perspektive geht auf Erpenbeck und Heyse zurück:

“Die Handlungskompetenztheorie von Erpenbeck und Heyse (Erpenbeck 2012, Erpenbeck & Sauter 2015, Heyse & Erpenbeck 2007) wiederum betont die Bedeutung von selbstorganisiertem und werteorientiertem Handeln in komplexen Situationen, was sich auch auf den Bereich der KI übertragen lässt. Personen mit hoher Handlungskompetenz
sind dann in der Lage, Handlungen zu entwickeln, um erfolgreich handlungsfähig zu sein und zu bleiben” (Ehler et al. 2025).

Siehe dazu auch

Hybridisierung von Kompetenzen: Kompetenzmanagement in Zeiten von Künstlicher Intelligenz

Persönlichkeitseigenschaften, -fähigkeiten und Kompetenzen

Projektmanagement: KI-Unterstützung der ICB 4.0 Kompetenzen

Freund, R. (2011): Das Konzept der Multiplen Kompetenz auf den Analyseebenen Individuum, Gruppe, Organisation und Netzwerk

Veröffentlicht am

Hybrides Innovationsmanagement: Free Innovation und Producer Innovation

Source: The free innovation paradigm and the producer innovation paradigm. (von Hippel 2017)

Alles ist ja heute hybrid. Es gibt beispielsweise Hybrides Arbeiten, Hybrides Projektmanagement, Hybrides Wissensmanagement, und die Hybride Wettbewerbsstrategie Mass Customization. Das verwundert nicht wirklich, da es in der Reflexiven Modernisierung zu Entgrenzungen auf allen Ebenen der Gesellschaft kommt – so auch bei den Management-Prozessen. Management-Berater verkaufen alles jetzt als neue Entwicklung, doch ist diese schon sehr lange – beispielsweise in den Sozialwissenschaften – bekannt.

Den Run auf die Entgrenzung von Innovationsprozessen hat Henry Chesbrough (2003) mit Open Innovation ausgelöst (Innovation als Kontinuum zwischen Closed Innovation und Open Innovation). Sein Ansatz bezog sich dabei auf auf Innovationsprozesse in Organisationen, die nun langsam aber sicher angefangen haben, Wissen auch von Außen zu integrieren. In der Grafik ist das der untere große Pfeil (Producer Innovation Paradigm), mit dem Abschluss “Market diffusion”. Dieser auf Schumpeter zurückgehende Blick auf Innovation, und dessen Öffnung zeigt sich auch in den dazugehörenden Definitionen (Oslo Manual 2018) oder auch in den jeweiligen Statistiken, die eben Innovationen nur dann erfassen, wenn sie von Organisationen im Markt positioniert worden sind.

In den letzten mehr als 20 Jahren ist gerade von Eric von Hippel allerdings deutlich nachgewiesen worden, dass es auch viele Innovationen von einzelnen Personen gibt, die nicht zwingend im Markt, sondern beispielsweise innerhalb von interessierten Gruppen ausgetauscht werden (Free Innovation Paradigm). Dabei wird hier schon klar, dass solche Innovationen nach der Oslo-Definition gar keine Innovationen sind, und somit auch in keiner traditionellen Statistik vorkommen. In den verschiedenen Paper von Eric von Hippel allerdings schon. Siehe dazu ausführlicher Eric von Hippel (2005): Democratizing Innovation und Eric von Hippel (2017): Free Innovation.

In der Abbildung ist allerdings auch zu erkennen, dass es durchaus Sinn machen kann, nicht von einem Entweder-oder, sondern von einem Sowohl-als-auch zu sprechen. Beide Extrempositionen können sich an verschiedenen Stellen der jeweiligen Prozesse ergänzen, beispielsweise durch einen Innovation support vom Producer Innovation Paradigm zum Free Innovation Paradigm und umgekehrt durch Innovation Designs.

Ein so verstandenes Hybrides Innovationsmanagement, oder auch ein entsprechendes Innovations-Kontinuum, bieten gerade für Kleine und Mittlere Unternehmen (KMU) viele Chancen.

Veröffentlicht am

Open Source AI: Veröffentlichung der ALIA AI Modelle für ca. 600 Millionen Spanisch sprechender Menschen weltweit

Quelle: https://alia.gob.es/

Es ist schon erstaunlich, wie unreflektiert viele Privatpersonen, Organisationen oder auch Öffentliche Verwaltungen Künstliche Intelligenz (AI / GenAI) von den bekannten Tech-Unternehmen nutzen. Natürlich sind diese Closed Source AI Models, oder auch Open Weights Models, sehr innovativ und treiben durch immer mehr neue Funktionen die Anwender vor sich her. Viele kommen dabei gar nicht richtig zum Nachdenken. Möglicherweise ist das ja auch so gewollt….

Die Notwendigkeit, Open Source AI zu nutzen wird gerade im Hinblick auf die europäischen Rahmenbedingungen immer wichtiger. Siehe dazu Digitale Souveränität: Europa, USA und China im Vergleich.

Hinzu kommt noch, dass es immer mehr länderspezifische KI-Modelle gibt, die den sprachlichen Kontext, und damit die sprachlichen Besonderheiten besser abbilden. Die wichtigsten LLM (Closed Source AI) sind mit englischsprachigen Daten trainiert und übersetzen dann in die jeweilige Sprache. Das klappt zwar recht gut, doch fehlt es gerade bei Innovationen, oder kulturellen regionalen Besonderheiten, an der genauen Passung.

Die spanische Verwaltung hat nun die Initiative ALIA gestartet, die 100% öffentlich finanziert ist, und eine KI-Ressource für alle Spanisch sprechenden Menschen sein soll. Dazu gehören auch frei verfügbare AI Modelle (LLM) (…)

“(…) to generate ethical and trustworthy AI standards, with open-source and transparent models, guaranteeing the protection of fundamental rights, the protection of intellectual property rights and the protection of personal data, and developing a  framework of best practices in this field (Vasquez in OSOR 2025).

“ALIA es una iniciativa pionera en la Unión Europea que busca proporcionar una infraestructura pública de recursos de IA, como modelos de lenguaje abiertos y transparentes, para fomentar el impulso del castellano y lenguas cooficiales -catalán y valenciano, euskera y gallego- en el desarrollo y despliegue de la IA en el mundo” (ALIA Website)

Es freut mich zu sehen, wie die einzelnen europäischen Regionen oder Länder Initiativen starten, die die europäischen, oder auch regionalen Besonderheiten berücksichtigen – und das alles auf Open Source Basis. Siehe dazu auch

Open Source AI Definition – 1.0: Release Candidate 2 am 21.10.2024 veröffentlicht

Open Source AI-Models for Europe: Teuken 7B – Training on >50% non English Data.

Veröffentlicht am

Nextcloud FLOW: Automatisieren von Abläufen

Eigener Screenshot

Viele persönliche, bzw. organisatorische Abläufe sind Routineprozesse, die sich häufig wiederholen. Sobald dazugehörende Unterlagen digital vorliegen, können diese mit Hilfe von definierten Abläufen automatisiert werden.

Auf unserem Server haben wir Nextcloud (Open Source) installiert, sodass alle Daten geschützt sind. Mit der App Nextcloud FLOW können wir auf alle Daten zugreifen, und einfache, oder auch etwas komplexere Abläufe automatisieren.

In der Abbildung ist beispielhaft zu sehen, dass in der linken Navigationsleiste “Ablauf”, also “Flow”, angeklickt wurde. In der rechten Hälfte ist zu erkennen, dass wir den Ablauf “PDF-Umwandlung” hinterlegt haben. Nun können wir anhand der verschiedenen Auswahlfelder bestimmen, unter welchen Bedingungen Dateien automatisiert in PDF umgewandelt werden können.

Das ist natürlich nur ein kleines und einfaches Beispiel für die Nutzung von Nextcloud FLOW, doch sind auch Anwendungen bei IKBD (Information, Kommunikation, Berichtswesen und Dokumentation) in Projekten denkbar, usw. usw. Den Möglichkeiten, sind fast keine Grenzen gesetzt.

Darüber hinaus kann es Sinn machen, auch noch den Nextcloud ASSISTENT oder sogar KI-Agenten zu nutzen – alles auf Open Source Basis, sodass alle Daten auf dem eigenen Server bleiben.

Veröffentlicht am

Das Kontinuum zwischen Closed Source AI und Open Source AI

In dem Beitrag AI: Was ist der Unterschied zwischen Open Source und Open Weights Models? hatte ich schon einmal darauf hingewiesen, dass es zwischen den Polen Closed Source AI und Open Source AI ein Kontinuum weiterer Möglichkeiten gibt.

Die Grafik illustriert den Zusammenhang noch einmal anhand der zwei Dimensionen Degree of Openness und Completeness. Man sieht hier deutlich, dass der Firmenname OpenAI dazu führen kann, z.B. ChatGPT von OpenAI als Open Source AI zu sehen, obwohl es komplett intransparent ist und somit in die Kategorie Closed Source AI gehört. Die Open Weights Models liegen irgendwo zwischen den beiden Polen und machen es nicht einfacher, wirkliche Open Source AI zu bestimmen.

Eine erste Entscheidungshilfe kann die Definition zu Open Source AI sein, die seit 2024 vorliegt. Anhand der (recht wenigen) Kriterien kann man schon eine erste Bewertung der Modelle vornehmen.

In der Zwischenzeit hat sich auch die Wissenschaft dem Problem angenommen und erste Frameworks veröffentlicht. Ein erstes Beispiel dafür ist hier zu finden:

White et al. (2024): The Model Openness Framework: Promoting Completeness and Openness for Reproducibility, Transparency, and Usability in Artificial Intelligence | Quelle).

Veröffentlicht am

MCPC 2025 vom 09.-12. September in Siegen

Die MCPC-Konferenzreihe ist 2001 in Hong Kong gestartet – und ich habe daran teilgenommen. Dieses Event hat mich dazu motiviert, mich stärker mit dem Thema zu beschäftigen. In der Folge habe ich dann an vielen Weltkonferenzen teilgenommen und Paper vorgestellt. Ein Highlight war die Special Keynote auf der MCPC2015 in Montreal.

In Hong Kong 2001 ist damals bei mir auch die Idee gereift, eine eigene Konferenzreihe zu initiieren. Mit der Unterstützung vieler Kollegen konnte das auch erreicht werden. Seit 2004 gibt es alle 2 Jahre die MCP-CE, an der wir zuletzt 2024 teilgenommen haben.

Die nächste Weltkonferenz MCPC 2025 findet nun vom 09.-12. September in Siegen statt.

“The conference offers a setting for experts from academia, industry and research institutes alike to discuss and exchange the latest scientific contributions related to customized products and their associated business and production systems.” (Quelle: Call for Papers|PDF).

Siehe dazu auch

Konferenzen und Veröffentlichungen

MCP CENTRAL EUROPE AWARD

Veröffentlicht am

Thinking: Wissenschaftliche Veröffentlichungen dazu sind immer noch zu wenig interdisziplinär

Source: Illustration of the relative prominence of four forms of disciplinary approach in the scientific literature, both in terms of when they are referred to in isolation and when they are referred to in combination. The numbers represent the count of documents returned when searching the Scopus database for each term using Boolean operators (title, abstract and keywords from 1954 until the search date of February 2023).(Crilly, N. 2024)

Das Handeln wird oft vom Denken bestimmt, und das Denken wiederum vom Handeln. Insofern ist es nicht ungewöhnlich, wenn das Denken (Thinking) in verschiedenen wissenschaftlichen Veröffentlichungen untersucht wird. Dabei gibt es sehr viele spezifische Ansätze wie Design Thinking, Computational Thinking, Entrepreneurial Thinking und Systems Thinking (Diese vier stellen eine Auswahl dar).

Jetzt sollte man meinen, dass es in der heutigen Zeit darum geht, über die jeweiligen Ansätze hinaus, Vernetzungen mit anderen Ansätzen in wissenschaftlichen Veröffentlichungen zu beachten. Dass dem nicht so ist, zeigt die Abbildung. Wie der Beschreibung zu entnehmen ist, wurde ein sehr lange Zeitraum (1954-2024) untersucht.

“Denning and Tedre do not then analyse or compare these various disciplinary approaches or the projects they originate from, but they do acknowledge that variety, which is seemingly very rare. In fact, just conducting simple literature searches for works on disciplinary approaches reveals the very small number of those works that focus on two or more approaches in comparison to those that focus on just one approach (see Figure). Similarly, it can be observed that even the most cited works describing one disciplinary approach (e.g.Wing’s description of computational thinking) are seldom cited in works describing other disciplinary approaches (e.g. various descriptions of design thinking)” (Crilly, N. 2024).

Auch hier ist wieder zu erkennen, das jede Perspektive für sich beansprucht, die richtige, bzw. die beste zu sein. Immer unter der Überschrift “One Size Fits All”. Das wird allerdings der Komplexität unseres Lebens (Arbeitslebens) nicht gerecht, und bestätigt wieder eine Art Silo-Denken (Thinking). Wissenschaftliches Arbeiten sollte zeigen, dass es auch anders geht. Bisher kann das noch nicht nachgewiesen werden.

Siehe dazu auch

Entscheidungen unter Unsicherheit: Schnelles Denken und Langsames Denken.

Kritisches Denken etwas genauer betrachtet.

Neue und alte Denkansätze – eine Gegenüberstellung.

Veröffentlicht am

In Zukunft sollte wieder stärker die Nachfrage Treiber von Innovationen sein

Image by Gerd Altmann from Pixabay

Es ist immer wieder erstaunlich, dass Struktuten wie die Europäische Union, Bundes- oder Landesregieren usw. immer wieder über Geld, also Kapital, sprechen, wenn es um Innovationen geht. Es werden Statistiken aufgefahren, die zeigen sollen, dass z.B. Deutschland X Milliarden in Forschung und Entwicklung steckt, und auch mit vielen Programmen Innovationen fördert. Viele der von einzelnen Menschen erbrachten Innovationen tauchen in diesen Statistiken allerdings gar nicht auf. Siehe dazu bespielsweise Eine etwas andere Perspektive auf den Bundesbericht Forschung und Innovation 2020.

Einerseits sind Investitionen in Forschung und Entwicklung nicht zwangsläufig Innovationen, wenn z.B. Patente nicht in marktfähige Produkte und Dienstleistungen umgesetzt werden. Andererseits haben die vielen Förderprogramme einen Wust an Aktivitäten ausgelöst, die nur mehr Innovationspreise, aber keine wirklichen Innovationen gebracht haben. Wie ich darauf komme? Wir haben in der Europäischen Unionen kein Amazon, kein Apple, kein Microsoft, kein Meta, kein etc., obwohl es wohl bei den Menschen für die entsprechenden Dienstleistungen einen Bedarf gibt. Wir sind gerade bei Zukunfstechnologien in eine bequeme, allerdings auch verhängnisvolle Abhängigkeit geraten. Das hat sich alles in den letzten Jahrzehnten entwickelt. Gut erkennen kann man die dahinterliegende Denkweise an dem Vergleich der Smart City mit einer AI City:

“The governance of the AI city is aimed at the difficulties and pain points in the current city. The key point of using AI to explore is the grafting point of AI technology and urban governance needs rather than the top-down promotion of AI concepts. This is fundamentally different from the rise and promotion of any “smart city” in the past, which is different from the construction of smart infrastructure and a large and comprehensive technology platform with high investment from the government, and the AI city is reflected in the “peripheral nerve” of urban governance” (Wu 2025).

Der Blick muss wieder auf die Bedürfnisse der Menschen gerichtet werden, nicht nur auf “Kapital” und “Märkte”. Diese haben die vielen Probleme der Menschen in ihrem täglichen Umfeld bisher jedenfalls nicht gelöst, trotz aller Versprechen im Marketing, beim Qualitätsmanagement, Innovationsmanagement etc. und aktuell bei den Agilen Arbeitsweisen. Siehe dazu auch Produkte und Dienstleistungen als Mehrwert für Kunden: Warum funktioniert das einfach nicht?

“There is still an invisible hand behind supply-side reform. Adam Smith argued that the invisible hand that drives markets is capital, while the invisible hand of supply that drives innovation is demand. Generally speaking, the “inconvenience” in the daily life of the people can be used as the traction of technological development. In the AI technology market, enterprises that see fundamental needs can have a large number of applications for their products” (Wu 2025).